基于人工神经网络的卡尔曼滤波实时校正技术

针对人工神经网络技术在实际应用中常出现的过拟合现象，设计了以人工神经网络模型做初级预报，用卡尔曼滤波技术对初级预报结果进行二次预报的方法。该方法用于淮河王家坝水文站最高洪水位的预报和岷江上游段紫坪埔水文站的流量预报，并与标准的BP网络模型以及卡尔曼滤波模型进行了比较。两个应用实例的计算结果表明，以上两种技术的结合，不仅有利于预防过拟合问题，还可提高预报精度。     

分布式流域水文模型的实时校正预报方法

文章将分布式子流域出流过程的时不变等权迭加因子改为时变迭加因子，应卡尔曼滤波理论对总出流过程进行实时校正预报。     

基于集合卡尔曼滤波的实时校正方法

为减少非恒定水流计算中的不确定性,基于集合卡尔曼滤波提出多变量交替校正的方法。该方法通过交替校正水位和流量,避开了滤波过程中的大矩阵计算,实现了利用观测信息直接校正非恒定流状态的目的;同时,应用尺度转换方法提高水位滤波精度。数值试验重点考察了观测误差和水位变换系数对模型计算精度的影响。结果表明:观测误差越小,模型的计算精度越高;水位尺度变换系数能显著增强多变量交替校正方法的效果,变换系数越大,计算精度越高;基于集合卡尔曼滤波的多变量交替校正方法具有良好的校正性能,能显著提高河道水流的预报精度。     

洪水预报实时校正技术研究综述

对典型的水文模型流量预报实时校正算法、误差自回归校正算法、衰减记忆最小二乘算法和卡尔曼滤波算法等洪水预报实时校正方法及其求解过程进行了分析,讨论了各种方法的利弊.结果表明:水文模型流量预报实时校正算法物理意义明确,容易编制程序,但预见期较长时的校正效果不明显,对于有多个水文站的较大流域,不适宜采用该法;误差自回归校正算法的阶数可以通过实际情况来确定,模型可以确定系数,也可以加入不断反馈的信息而成为变系数的时变模型;衰减记忆最小二乘算法仅适用于缓时变系统的参数识别,对于非确定性动态水文系统模型参数跟踪乏力,容易形成参数在线跟踪的滞后性;卡尔曼滤波技术目前应用较为广泛,但在实际使用中仍然存在各种各样的问题,需要借助滤波处理技术加以改善.     

水动力学模型卡尔曼滤波实时校正技术

本文采用卡尔曼滤波技术实现圣维南方程实时校正以提高水动力学模型应用于洪水预报的精度水平。首先利用有限差分方法将圣维南方程进行离散化并线性化,选择不同的状态变量组建了三种卡尔曼滤波状态空间方程。对预报进行实时校正。选择长江干流清溪场至万县河段进行试算,证实此方法对提高预报精度的效果显著。     

三峡上游洪水预报实时校正方法应用比较

实时校正方法是提高洪水预报精度的有效途径.将误差序列实时校正、反馈模拟实时校正、卡尔曼滤波实时校正等方法,应用到三峡上游的洪水预报中,并针对各种方法阐述了其优缺点.误差序列实时校正简单实用,但是校正预见期较短;反馈模拟实时校正基于实测流量进行校正,但是要求实测点距较多;卡尔曼滤波校正准确度较高,不过原理复杂,较难确定滤波参数.最后对几种校正方法进行了分析比较.     

“分解-校正-集成”模式下基于深度信念网络模型的径流预测

精准的短期径流预测可为流域内水资源规划、防洪调度及抗旱减灾工作提供重要的科学依据。为减小模型的系统误差,提高径流预测精度,在“分解-集成”模式的基础上提出“分解-校正-集成”框架,构建EEMD-DBN-EnKF、VMD-DBN-EnKF模型。利用集合卡尔曼滤波数据同化算法对偏离实测径流过大的分量校正以降低分解子序列在预测中产生的系统误差,并与未修正的EEMD-DBN、VMD-DBN模型及单一DBN模型进行了对比分析。结果表明：基于模态分解的组合模型较单一模型RMSE减小了至少23%,NSE与R²增加了21%以上;基于径流分量校正的组合模型相较于模态分解的组合模型各评价系数有所提升,其中VMD-DBN-EnKF预测模型误差最小,效果最优,NSE与R²达到0.89以上,其次依次为EEMD-DBN-EnKF>VMD-DBN>EEMD-DBN。综上“分解-校正-集成”模式的预测框架在玛纳斯河流域具有良好的适用性,可为玛纳斯河径流短期预报提供技术支持。     

动态响应函数在洪水过程实时校正预报中的应用

应用卡尔曼滤波技术对初选单位线进行了递推估计得到了主雨后的动态单位线,实现了洪水过程的实时校正预报,提高了预报精度.     

浑河洪水预报实时校正技术研究

利用常规水文预报模型计算的预报值与实测值之间的误差,建立了BP神经网络模型,并采用编制的软件对预报结果进行了实时校正.实例应用结果表明:这种方法既能提高预报的精度,又不会缩短预见期.     

基于混合经验模式分解的水轮机压力脉动分析

针对水轮机尾水管压力脉动信号的非平稳性以及经验模式分解(EMD)和集成平均经验模式分解(EEMD)的一些重要缺陷,以虚假分量识别和信号重构为基础,提出了一种混合经验模式分解方法。分别以仿真信号和某混流式水轮机尾水管压力脉动信号为例,验证了该方法相对于EMD和EEMD的优势。     

基于自适应卡尔曼滤波的沉降变形监测数据估计

针对观测数据异常导致滤波偏离的问题,提出了整体控制状态协方差阵自适应卡尔曼滤波方法,通过对某地铁隧道底板结构沉降监测数据进行处理,结果表明整体控制状态协方差阵自适应卡尔曼滤波方法不仅计算简单,而且能有效地控制观测数据异常对沉降变形监测系统参数估计的影响,提高变形监测数据估计的精度。     

基于互补式集合经验模态分解和SSA-ELM的短期风电功率预测

根据实际风电功率信号的波动性和非线性,提出了一种基于互补式集合经验模态分解(CEEMD)和樽海鞘群算法极限学习机(SSA-ELM)的短期风电功率预测模型.首先利用CEEMD将风电功率原始信号分解为一系列模态分量和剩余分量,以减小风电功率的非平稳性;其次采用樽海鞘群算法优化极限学习机对不同分量进行预测;最后将不同分量的预...     

基于EEMD与SE的IPSO-LSSVM模型在坝肩边坡变形预测中的应用

坝肩边坡变形在外部因素影响下呈现出不确定性和随机性,从而不易预测。基于聚类模态分解(EEMD)、样本熵(SE)和改进型粒子群算法优化的最小二乘支持向量机(IPSO-LSSVM)方法,提出一种名为EEMD-SE-IPSO-LSSVM的坝肩边坡变形预测模型。首先,利用EEMD将原始坝肩边坡变形时间序列分解为若干个不同复杂度的子序列,并基于SE判定各子序列的复杂度,将相近的子序列进行合并重组以减少计算规模;然后,分别对各重组子序列建立IPSO-LSSVM预测模型;最后,将各预测分量进行叠加重构,得到最终的大坝变形预测值。以澜沧江苗尾水电站左岸坝肩边坡为例,将BPNN、RBFNN、LSSVM、EEMD-SE-LSSVM与EEMD-SE-PSO-LSSVM进行对比研究。结果表明,该模型的计算精度优于其他神经网络模型,具有较好的适宜性和稳定性,是一种可靠的坝肩边坡变形预测方法,能够为大坝安全监测提供有价值的参考。     

基于小波分解及Arima误差修正的径流预测模型及应用

为改善传统径流预测模型对随机性时间序列的预测效果并不理想的现状,构建基于小波分解及Arima误差修正的径流预测模型。应用小波分解法将径流时间序列进行分解和重构,使非平稳、随机性的径流时间序列平稳化,对数据样本预处理后建立以相关向量机(RVM)为理论基础的径流预测模型,并采用改进粒子群算法进行核函数全局寻优,最后对模型拟合残差进行Arima误差修正。通过实例计算得到传统支持向量机(SVM)模型、RVM模型和径流预测模型的预测值平均误差分别为8.60%,9.02%和3.64%。结果表明:通过小波分解及重构方法对非平稳时间序列的预处理可有效提高预测精度,同时Arima误差修正也有很好的效果,相比于SVM模型、RVM模型,基于小波分解及Arima误差修正的径流预测模型具有更高的预测精度,在实际工程中具有一定的可行性。     

基于LOADEST和卡尔曼滤波的河流污染通量过程估算

针对当前国内水质低频监测的现状以及河流污染通量计算方法的缺陷,为了提高河流污染通量估算成果的合理性与可信度,将LOADEST污染通量估算模型与卡尔曼滤波校正算法相结合提出一种新的河流污染通量估算方法。基于LOADEST模型的污染通量过程预估,通过建立污染物通量与流量之间的回归方程,利用逐日高频流量数据预估出波动变化的逐日污染通量过程;基于卡尔曼滤波的污染通量过程校正,对通量实测值与基于LOADEST模型的通量预估值进行同化,减小最终估算值与实测值之间的误差。新方法应用于淮河干流蚌埠闸断面2012年污染通量的估算,氨氮和高锰酸盐指数通量过程的估算值与高频水污染联防监测值吻合较好,判定系数R~2分别为0.78和0.99,累计通量相对偏差分别为1.71%和5.57%。研究结果表明,新方法在不增加数据需求的同时能合理可信的估算河流污染通量的变化过程,可弥补月单值法、线性插值法、污染负荷过程模型法估算河流污染通量的不足与缺陷。     

洪水预报实时校正技术研究进展

回顾国内外洪水预报实时校正的产生背景,评述其理论与方法的发展历程。在此基础上,将实时校正方法归纳为终端误差校正和过程误差校正两类,并梳理出各自的典型校正方法以及联合校正方法,概述不同方法的研究成果及进展。重点介绍其中的反馈模拟技术、误差自回归算法(AR)、递推最小二乘算法(RLS)、卡尔曼滤波技术(KF)和动态系统响应曲线算法(DSRC)等5种代表性的实时校正技术,阐述其计算过程,并分析其特点与适用性。对洪水预报实时校正的未来发展方向及研究热点进行了展望。     

The Research of Monthly Discharge Predictor-corrector Model Based on Wavelet Decomposition

Based on wavelet analysis theory, a wavelet predictor-corrector model is developed for the simulation and prediction of monthly discharge time series. In this model, the non-stationary time series of monthly discharge is decomposed into an approximated time series and several stationary detail time series according to the principle of wavelet decomposition. Each one of the decomposed time series is predicted, respectively, through the ARMA model for stationary time series. Then the correction procedure is conducted for the sum of the prediction results. Taking the monthly discharge at Yichang station of Yangtse River as an example, the monthly discharge is simulated by using ARMA model, seasonal ARIMA model, BP artificial neural network model and the wavelet predictor-corrector model proposed in this article, respectively. And the effect of decomposition scale for the wavelet predictor-corrector model is also discussed. It is shown that the wavelet predictor-corrector model has higher prediction accuracy than the some other models and the decomposition scale has no obvious effect on the prediction for monthly discharge time series in the example.     

基于网格平台的水文预报集成应用模式

在分析目前洪水预报及洪水预报系统存在的问题的基础上,提出了洪水预报的综合集成应用模式,即基于平台、组件、主题、可视化的洪水预报集成应用模式。基于WebService技术将洪水预报模型及模型参数率定方法组件化并发布成Web服务。采用知识图关联信息,组织应用过程中的信息,描述事件、应用主题和业务流程。基于面向服务的体系架构（SOA）和J2EE平台技术架构,采用中间件、网格、WebService、综合集成研讨厅等技术构建洪水预报综合集成服务平台。在平台下开展洪水与集成应用,通过实例检验洪水预报集成应用模式。     

基于MIV的遗传神经网络径流预报模型

针对中长期水文预报中预报对象与预报因子之间复杂的非线性关系,引入平均影响值对预报因子进行筛选,选出对头道拐站年径流量影响较大的年降水量、年均相对湿度、年均气压3个因子作为神经网络的自变量,利用遗传算法优化的BP神经网络建立了预报模型。预报结果表明:基于平均影响值的遗传神经网络的预报精度及稳定性均达到了满意的效果。